Taylor-Series-Based Hybrid Adaptive Sliding Mode Control with Online Meal Disturbance Estimation for Artificial Pancreas Systems

Resumen Técnico: Control de Modo Deslizante Adaptativo Híbrido Basado en Series de Taylor para Sistemas de Páncreas Artificial

Planteamiento del Problema
La regulación de la glucosa en sangre en la Diabetes Mellitus Tipo 1 (DT1) mediante sistemas de Páncreas Artificial (PA) enfrenta desafíos significativos debido a incertidumbres fisiológicas y perturbaciones externas impredecibles, específicamente la ingesta de alimentos. Si bien el Control de Modo Deslizante (SMC) ofrece una robustez inherente y convergencia en tiempo finito, las formulaciones convencionales de SMC sufren dos limitaciones críticas en entornos clínicos:

1. Ganancias Fijas: La mayoría de los controladores basados en SMC utilizan ganancias fijas que no pueden adaptarse a la dinámica específica de cada paciente o a la sensibilidad a la insulina variable en el tiempo.
2. Límites de Perturbación: Los enfoques estándar de Control de Modo Deslizante de Orden Superior (HOSMC) y los enfoques adaptativos a menudo requieren el conocimiento previo de los límites de la perturbación (por ejemplo, el tamaño máximo de la comida) para garantizar la estabilidad. En la práctica, el contenido de carbohidratos de las comidas es desconocido e impredecible, lo que hace necesario un ajuste conservador basado en el peor de los casos, lo cual suele derivar en una entrega excesiva de insulina o en "chattering" (oscilaciones de alta frecuencia).

Las estrategias existentes como el Control Predictivo basado en Modelo (MPC) dependen fuertemente de la precisión del modelo y de los recursos computacionales, mientras que los controladores PID carecen de adaptabilidad ante condiciones variables en el tiempo. Los métodos de control inteligente (difuso/neuronal) a menudo carecen de garantías formales de estabilidad. En consecuencia, existe la necesidad de un marco de control que garantice la robustez, una rápida recuperación postprandial y una entrega de insulina suave sin requerir el conocimiento previo de las magnitudes de la perturbación por ingesta de alimentos.

Metodología
El artículo propone un marco de Control de Modo Deslizante Adaptativo (ASMC) unificado basado en un Modelo Mínimo de Bergman (BMM) extendido. La metodología integra tres componentes principales:

1. Modelado del Sistema: La dinámica de la glucosa y la insulina se modela mediante el BMM, extendido con un término de perturbación por comida explícito $D(t)$. La perturbación se modela como una función de decaimiento exponencial con una amplitud $A$ desconocida (que representa el contenido de carbohidratos de la comida) y una tasa de decaimiento $\beta$ conocida.
2. Parametrización por Series de Taylor: Para manejar la amplitud de la perturbación desconocida $A$, los autores aplican el teorema de Taylor a la función de perturbación. Esto permite que la dinámica no lineal de la perturbación se descomponga en una forma de regresor lineal. Específicamente, el término no lineal agrupado en la dinámica del sistema se separa en la dinámica nominal del sistema y un componente relacionado con la perturbación parametrizado por $A$. Esto genera un vector de regresor conocido $\Psi$ dependiente de los estados medibles ($G, X, I$) y del tiempo, permitiendo la estimación de $A$ en línea.
3. Ley de Control Adaptativo:
   • Se define una superficie de deslizamiento de segundo orden $S$ basada en el error de seguimiento de la glucosa y sus derivadas.
   • La entrada de control $u$ se divide en un control equivalente (basado en la dinámica estimada) y un término de conmutación discontinuo.
   • Crucialmente, la amplitud desconocida $A$ es reemplazada por una estimación en línea $\hat{A}$.
   • Se deriva una ley adaptativa basada en Lyapunov para actualizar $\hat{A}$ en tiempo real. La ley de actualización está diseñada de tal manera que la derivada temporal de la función de Lyapunov sea no positiva, asegurando la acotación de todas las señales de bucle cerrado.
   • El análisis teórico demuestra la convergencia en tiempo finito de la superficie de deslizamiento a cero sin requerir el conocimiento previo del límite superior de la perturbación.

Contribuciones Clave
El artículo identifica tres contribuciones primordiales:

1. Desarrollo de un ASMC con Estimación en Línea: La formulación de un controlador adaptativo que estima la amplitud de la perturbación por comida desconocida en línea utilizando un regresor parametrizado por series de Taylor, eliminando la necesidad de límites de perturbación previos o anuncios de comidas.
2. Análisis de Estabilidad Riguroso: Un análisis de estabilidad formal basado en Lyapunov que establece la convergencia en tiempo finito para el sistema de bucle cerrado, demostrando que la ley adaptativa asegura la acotación de todas las señales (glucosa, insulina y error de estimación).
3. Evaluación Comparativa Exhaustiva: Una validación mediante simulaciones frente a un SMC convencional utilizando parámetros de pacientes fisiológicamente validados, demostrando un rendimiento superior en términos de reducción de picos, tiempo de asentamiento y eliminación de chattering.

Resultados de la Simulación
El ASMC propuesto fue evaluado en MATLAB/Simulink durante un horizonte de 24 horas con tres perturbaciones de comidas (desayuno, almuerzo, cena) a través de tres perfiles de pacientes distintos con parámetros metabólicos variables. Los hallazgos cuantitativos clave incluyen:

• Regulación de la Glucosa: El ASMC redujo los picos postprandiales de glucosa en un 70.8% en comparación con el SMC convencional (por ejemplo, el pico del almuerzo se redujo de 380.65 mg/dL a 108.42 mg/dL). El SMC convencional excedió el umbral de 180 mg/dL recomendado por la ADA, mientras que el ASMC mantuvo los niveles dentro de límites seguros.
• Velocidad de Convergencia: El ASMC logró un tiempo de asentamiento un 28.3% más rápido (1.70 horas frente a 2.37 horas) a través de los eventos de comida.
• Precisión de Seguimiento: El ASMC demostró métricas de error significativamente menores: un 87.20% menos de ITAE, 14.71% menos de IAE, y un 5.22% menos de ISE y MSE en comparación con el SMC.
• Suavidad del Control: El ASMC eliminó el chattering, evidenciado por una reducción del 85.95% en el Cambio de Amplitud Máxima (MAC) y una reducción del 78.40% en la Variación de la Señal de Entrada (ISV). Esto resultó en un perfil de infusión de insulina más suave, evitando las oscilaciones de alta frecuencia observadas en el SMC convencional.
• Seguridad: En todos los escenarios simulados, incluyendo pacientes con alta resistencia a la insulina, el ASMC mantuvo los niveles de glucosa estrictamente por encima del umbral de hipoglucemia de 70 mg/dL, mientras que el SMC convencional exhibió excursiones hiperglucémicas inseguras.

Significancia y Reivindicaciones
Los autores afirman que el marco propuesto ofrece una solución robusta, computacionalmente eficiente y clínicamente confiable para los sistemas de páncreas artificial. La significancia del trabajo radica en su capacidad para abordar el desafío crítico de las perturbaciones de comida desconocidas sin depender de un ajuste conservador del peor de los casos o del conocimiento previo de los límites de la perturbación.

Al integrar la estimación por series de Taylor con el control de modo deslizante adaptativo, el sistema logra:

• Seguridad Clínica: Prevención tanto de la hiperglucemia severa como de la hipoglucemia.
• Comodidad del Paciente: La eliminación del chattering conduce a una entrega de insulina más suave, reduciendo el riesgo de fatiga de la bomba e irritación tisular.
• Personalización: El controlador se adapta a la dinámica individual del paciente (sensibilidad a la insulina y aclaramiento de glucosa) a través del mecanismo de estimación en línea.

El artículo concluye que, si bien el SMC convencional es teóricamente robusto, es clínicamente poco práctico para los sistemas de PA debido a su incapacidad para manejar perturbaciones desconocidas sin excesivas ganancias. El ASMC propuesto cierra esta brecha, ofreciendo una alternativa viable que asegura la convergencia en tiempo finito y una acción de control suave, lo que lo hace apto para la implementación embebida en bombas de insulina. Se señala como trabajo futuro la validación clínica y la integración con datos de sensores con ruido.